来源：期刊VIP网 时间：
作者：毛仕;胡霞芬;赵荣;余磊;
单位：武汉市第三医院检验科;
摘要：目的 探究基于机器学习与SHAP的诊断模型在儿童腺病毒感染重症肺炎诊断中的应用价值。方法 选择2023年3月-2024年4月于武汉市第三医院就诊的腺病毒感染患儿562例，分为非肺炎组（n=236）和肺炎组（n=326）；肺炎组按照3∶1的比例，分为训练集（n=245）和验证集（n=81）；训练集根据肺炎程度，分为重症组（n=90）和非重症组（n=155）。采用多因素logistic回归分析儿童腺病毒感染重症肺炎的危险因素，并进行共线性诊断。采用受试者工作特征（ROC）曲线在训练集和验证集中验证模型的预测效能，并选出最优模型。通过SHAP对最优预测模型进行可解释化处理。结果 与非肺炎组相比，肺炎组年龄<2岁、咳嗽、喘息、肺实变、胸腔积液、混合感染、过敏史的患儿比例及住院天数、热程均更长（P<0.05）。经过单因素分析及共线性诊断，排除混杂因素后，住院天数（OR=1.112）、热程（OR=1.964）、喘息（OR=2.430）、肺实变（OR=2.546）、混合感染（OR=2.617）、LDH水平（OR=1.613）是儿童腺病毒感染重症肺炎的危险因素（P<0.05）。根据危险因素所构建的8个机器学习模型中，梯度提升机（GBM）模型预测儿童腺病毒感染重症肺炎的效能最优，训练集和验证集中其曲线下面积（AUC）分别为0.796、0.785。SHAP分析显示，贡献度前4的特征分别为LDH水平、喘息、热程、肺实变。结论 GBM模型预测腺病毒感染患儿重症肺炎风险的效能最优，其中LDH水平、喘息、热程、肺实变为重要的预测特征，可为临床诊治提供参考。
关键词：儿童;;腺病毒;;机器学习;;预测模型;;模型解释
